Engineering Applications of Artificial Intelligence· 2026Q1
Büyük Dil Modelleri Kullanılarak Hidrolik ve Hidroelektrik Projeleri İçin Vaka Bilgisi Rehberliğinde İnşaat Aşaması Güvenlik Değerlendirme Raporu Üretimi
Case-knowledge-guided construction-phase safety appraisal report generation for hydraulic and hydropower projects using large language models
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Hidroelektrik projelerinde LLM tabanlı güvenlik değerlendirme raporları için yeni bir vaka bilgisi rehberliğinde iş akışı, standart RAG'dan (32% Çıkarım Destek Oranı (ÇDO), 15% Halüsinasyon Oranı (HO)) önemli ölçüde daha iyi performans göstererek, bir kanıt takviye turundan sonra %82 ÇDO ve %28 HO elde etti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hidroelektrik projelerinde güvenlik değerlendirme raporları için LLM tabanlı yeni bir vaka bilgisi rehberliğinde iş akışı geliştirildi.
- İş akışı, yapılandırılmış bilgi çıkarımı, değerlendirme planlaması ve tekrarlayan kanıta dayalı sonuç üretimini entegre eder.
- Çıkarım Destek Oranı (ÇDO) ve Halüsinasyon Oranı (HO) kullanan LLM tabanlı bir değerlendirme paketi tanıtıldı ve doğrulandı.
- Önerilen iş akışı, bir kanıt takviye turundan sonra %82 ÇDO ve %28 HO elde ederek standart RAG'ı (%32 ÇDO, %15 HO) geride bıraktı.
- Tek bir kanıt takviye turunun, daha fazla takviyenin halüsinasyon riskini artırması nedeniyle en uygun takas olduğu belirlendi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Safety appraisal during the construction phase of hydraulic and hydropower projects requires professionals to review large volumes of multi-source documents. This manual process is labor-intensive, time-consuming, and vulnerable to evidence omission. Existing automated tools struggle to adapt: rule-checking relies heavily on formalized rules, while current retrieval-augmented generation (RAG) applications are fragmented into single-pass tasks, lacking macroscopic planning and explicit control over evidence use. To address this gap, this study proposes a case-knowledge-guided workflow for generating appraisal reports using large language models (LLMs). The workflow integrates structured knowledge extraction, executable appraisal planning, and iterative evidence-grounded conclusion generation, yielding checkable intermediate products at each stage. We also introduce an LLM-based evaluation suite utilizing Conclusion Support Rate (CSR) and Hallucination Rate (HR), which was validated against expert annotations and showed sufficient agreement for comparative evaluation. A real-world study used 30 historical reports and 9 application cases encompassing 160 evidence documents. Evaluation showed that standard RAG achieved a CSR of only 32% with a 15% HR. In contrast, the proposed workflow reached an 82% CSR after one round of gap-driven evidence supplementation, accompanied by a moderate HR increase to 28%. These results reveal that further evidence supplementation increased hallucination risk in this setting, making a single augmentation round the best observed trade-off. Ultimately, explicit appraisal planning and case-derived knowledge significantly improve conclusion supportability. By making the end-to-end generation process observable step-by-step, this framework provides an auditable pathway for applying LLMs to high-risk engineering appraisals while preserving human expert review.
Yazarların özeti; kaynağından alınmıştır. Engineering Applications of Artificial Intelligence, 2026 · DOI ↗
Devamı Pofolia uygulamasında
Çıkarımlar ve makaleye soru sorma; ilgi alanına göre her gün yeni özetler. Ücretsiz.
Web'de giriş yaparak açAlan: Radyolojik ve Ultrason Teknolojisi
Radiological and Ultrasound TechnologyHealth Professions